问题标签 [eager-execution]

我处于渴望模式，我试图在 TensorBoard 中绘制一些标量的演变。我已经设法做到这一点 - 损失函数 - 通过使用：

但是，如果我添加另一行代码

那么它就不会被记录下来（或者至少它不会出现在 TensorBoard 中）。我找不到很多参考资料，但我确实找到的那些让我这样写......

有谁知道如何正确地做到这一点？谢谢！

我正在从 Pytorch 过渡到 TensorFlow 1.12，并且想知道是否可以tf.keras.Sequential在 a 中定义类tf.keras.Model并以 Eager 模式运行这些类。

我构建了这个最小的非工作示例，如果有人能告诉我哪里出错了，我将不胜感激。但是，我也使用过tf.contrib.eager.Network类（取得了更大的成功），因为它们计划弃用，所以我尝试避免使用这些类。

我想将 resnet50 模型（以急切执行模式编写）转换为tflite. 模式实现在此处提供tensorflow。似乎tflite不知道层块（例如：）_ConvBlock。我收到错误消息：

我想知道您是否可以通过提供一个简单的示例来帮助我？非常感谢您的帮助。

如何将eager_execution模式编写的resnet50网络转成coreml？

这是 tf resnet50 的实现： https ://github.com/tensorflow/tensorflow/blob/r1.13/tensorflow/contrib/eager/python/examples/resnet50/resnet50.py

我目前正在努力学习Sonnet。

我的网络（不完整，问题基于此）：

在其他框架（例如 Keras）中，LSTM 输入的形式为(batch_size, sequence_length, input_length).

但是，Sonnet 文档指出 Sonnet 的 LSTM 的输入格式为(batch_size, input_length).

如何将它们用于顺序输入？

到目前为止，我已经尝试在内部使用 for 循环_build，迭代每个时间步长，但这会给出看似随机的输出。

我在 Keras 中尝试过相同的架构，它运行时没有任何问题。

我正在以渴望模式执行，GradientTape用于培训。

我有一个受https://github.com/kyzhouhzau/BERT-NER启发的谷歌 Colab 笔记本，几个月前它运行得非常好。

现在它在在线训练期间失败了

带有错误消息：

我尝试添加： tf.enable_eager_execution()

强制执行急切但没有帮助

我在想图书馆的更新可能会导致这个问题。它曾经在 tensorflow 1.13.1 和 bert-tensorflow-1.0.1（来自 bert-tensorflow）（1.11.0）上工作。

现在它使用 tensorflow 1.14.0-rc1 和 bert-tensorflow-1.0.1（来自 bert-tensorflow）（1.12.0）。

任何有关如何解决此问题的建议将不胜感激！谢谢

不知何故，我的火车循环中没有渐变。下面是一个简单的例子。

如果我两次运行渐变记录步骤，第二次不会显示任何渐变。返回一个带有None类型的列表。

如果我们将模型替换m为“标准”张量流模型，则情况并非如此，即

m = tf.keras.Sequential([tf.keras.layers.Dense(1)])

我正在使用 tensorflow=1.13.1 和 tensorflow-probability=0.6.0

在 TensorFlow Eager 中，我可以使用 Python 的分析器来分析纯粹以 Eager 模式运行的代码。tf.function但是，如果我使用or将 python 函数“编译”为图形函数tf.contrib.eager.defun，则该函数对 python 变得不透明 - 探查器无法输入它。

我已经找到了如何在图形模式下分析 TF 图，但我不知道如何在渴望模式下使用图形函数来做到这一点。

具体来说，如果我构造一个这样的函数，

如何确定执行 myfunc 的时间op1和时间op2？

我遇到了一段 tensorflow 2.0 的代码片段，用于计算损失。总损失由两部分组成：1）正则化损失，2）预测损失。我的问题是为什么model.losses正则化损失？model这是一个实例tf.keras.Model。我对 tensorflow 官方 API 文档有点困惑。tf.keras.Model，它说

与此层相关的损失。

访问此属性时会创建变量正则化张量，因此它非常安全：在 a 下访问损失tf.GradientTape会将梯度传播回相应的变量。

为什么我们可以通过访问losses属性来获得正则化损失？另外，什么是渴望安全？如果losses属性返回正则化损失，为什么它被命名losses而不是regularization_loss？

我正在尝试遵循http://www.hackevolve.com/where-cnn-is-looking-grad-cam/上的指南，使用 Tensorflow 的新急切执行模式。特别是一行让我难住了：

我知道它正在寻找最后一个卷积层和特定类的输出之间的梯度。但是，我无法弄清楚如何使用 来完成此操作GradientTape，因为 (a) 两者都是张量而不是变量，并且 (b) 一个不是直接从另一个派生的（它们的特征图已经存在，因此如果没有图表，它们实际上是独立的）。

编辑：更多信息。还没有人回答，所以我会继续添加自发布问题以来我尝试过的内容：

显而易见的步骤是使用 Eager 执行重现第一部分。

一种尝试是使用 reduce_sum 和 multiply 来获得所需的梯度（忽略该class_output步骤）：

但是，grad在None此设置中。